如何使用Python导入Excel数据绘制直方图并完成指数函数拟合

1. 依赖库安装 #

需要用到4个核心库，执行以下命令安装：
pip install pandas matplotlib scipy openpyxl

• pandas：读取Excel文件数据
• matplotlib：绘制直方图与拟合曲线
• scipy：实现指数函数拟合逻辑
• openpyxl：支持读取.xlsx格式的Excel文件，若你的文件是.xls格式，将openpyxl替换为xlrd即可

2. 完整实现代码 #

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# 1. 读取Excel数据，替换为你自己的文件路径、工作表名、数据列名
df = pd.read_excel("your_data.xlsx", sheet_name="Sheet1")
# 提取待分析的数值列，同时过滤空值
target_data = df["your_column_name"].dropna()

# 2. 定义要拟合的指数函数形式，可根据实际分布调整参数结构
def exponential_func(x, a, b, c):
    return a * np.exp(-b * x) + c

# 3. 绘制直方图同时获取分组统计数据用于拟合
# bins参数控制直方图分组数量，可自行调整
counts, bin_edges, _ = plt.hist(target_data, bins=30, alpha=0.6, label="原始数据分布")
# 计算每个分组的中点作为拟合用的x轴数据
bin_centers = (bin_edges[:-1] + bin_edges[1:]) / 2

# 4. 执行指数拟合
# p0为初始参数猜测值，可根据数据量级调整，避免拟合不收敛
popt, _ = curve_fit(exponential_func, bin_centers, counts, p0=[max(counts), 0.1, 0])
# 生成拟合曲线的连续坐标
x_fit = np.linspace(min(bin_centers), max(bin_centers), 1000)
y_fit = exponential_func(x_fit, *popt)

# 5. 配置图像展示
plt.plot(x_fit, y_fit, "r-", linewidth=2, label=f"拟合曲线：y={popt[0]:.2f}*e^(-{popt[1]:.2f}x)+{popt[2]:.2f}")
plt.xlabel("数值区间")
plt.ylabel("频数")
plt.legend()
plt.show()

3. 常见调整说明 #

• 若不需要指数函数的常数偏移项，可删除参数c，函数修改为return a * np.exp(-b * x)，同时p0对应调整为两个初始值即可
• 如果拟合时报错不收敛，优先调整p0的初始值，尽量贴合你数据的实际幅值、衰减速度量级
• 若需要将直方图归一化为密度分布，将plt.hist的density参数设置为True即可

内容的提问来源于stack exchange，提问作者John Kim